从未知大小的n个数中取m个数，使各数被取出的概率相等

本文摘自http://www.zhangliancheng.com/2012/09/random-selecting-numbers-from-unknown-length-interger-sequence/，感谢作者。

首先，这个问题来自于一道面试题。

原题目的场景大体是这样的：
服务器每天会收到数以亿计的请求，但是目前服务器端不希望保存所有的请求，只想随机保存这些请求中的m个。试设计一种算法，能够使服务器实时保存m个请求，并使这些请求是从所有请求中的大致等概率被选中的结果。注意：不到一天的结束，是不能提前知道当天所有请求数n是多少的。

一、问题简化

有一个整数序列生成器，以一定时间间隔生成一个新的整数，一天之内会生成N个，希望实时保存m个整数，使得任何时刻这m个整数都是当前已生成的所有整数数量n中等概率抽取的结果，即概率均为m/n。

二、思路与解法

如果此题简化成可以存下整个的序列，即全部N个数，则变得非常简单了，最后直接随机选出m个就搞定了。但是现在只能最多保存m个，同时要实时保证概率相等的要求，因此在新来一个请求的时候，需要以某种特殊的方式进行判决保存还是不保存，以使得满足概率要求。

具体方法如下：

1. 对于前m个请求直接保存到服务器上，对应整数序列相当于，整数数组的前m个直接存下来。
2. 用一个计数器保存当前正在处理的请求是第几个，比如n
3. 对于从m+1开始的新请求，以m/n的概率选择保存，并同从已保存的m个请求中随机选出的一个进行交换。

细说就是，

• 对于第m+1个请求，以m/(m+1)的概率选择留下，如果留下了则从已保存的m个请求中随机选出一个，同它交换;
• 对于第m+2个请求，以m/(m+2)的概率选择留下，如果留下了则从已保存的m个请求中随机选出一个，同它交换;
• 对于第m+3个请求，以m/(m+3)的概率选择留下，如果留下了则从已保存的m个请求中随机选出一个，同它交换;

  …

• 对于第n个请求，以m/n的概率选择留下，如果留下了则从已保存的m个请求中随机选出一个，同它交换;

三、等概率正确性证明(使用数学归纳法进行)

1. 当n=m+1时，
   对于第m+1个请求以概率m/(m+1)选择留下，显然满足m/N的要求;
   对于前m个请求中的任何一个，能被选择留下有两种情况：a.第m+1个请求被选择留下了并且没有和自己进行交换;b.第m+1个请求没有被选择留下来而自己确实已被选择留下来了。
   所以，概率计算为 m/(m+1) * (m-1)/m + (1 – m/(m+1)) * 1 = (m-1)/(m+1) + 1/(m+1) = m/(m+1)
2. 假设当n=N时，仍然正确，即任何一个请求被选中的概率都是m/N，现在推到证明当n=N+1时，任何一个请求被选中留下的概率是m/(N+1)。
   对于第N+1个请求，因为是以m/n=m/(N+1)的概率选中的，所以显然满足要求;
   对于前m个请求中任何一个，能被选中留下同样分为同上的两种情况：
   • 一种是第N+1个被选中了但随机抽取出与它交换的不是自己;
   • 另一种情况是自己已留下并且第N+1个未被选中留下。

   和概率为: [ m/(N+1) * (m-1)/m + (1-m/(N+1)) ]* m/N = [ (m-1)/(N+1) + (N+1-m)/(N+1) ] * m/N = m/(N+1)。
   即当n=N+1时，仍然正确。

综合1）、2)可知，此方法满足等概率要求。